回归经验管理（通用4篇）
回归经验管理 篇1
2004年12月26日黎明时分, 在泰国拷叻海滩一群供游客骑乘的大象突然狂躁不安地发出吼声, 如悲如泣。不久, 印尼就发生了大地震。一个小时后, 大象又开始哀号, 它们不听驭象人的指挥, 拼命往山上跑。没多久, 印度洋海啸就发生了。在这千钧一发的关头, 一些游客爬上了象背, 让大象载着他们, 安全地逃到一座山上。来自路透社的这则报道说, 因为动物先天对环境的敏感, 泰国大象救了数十名外国游客的性命。路透社还发出一则消息:斯里兰卡有两万多人遇难, 当地的野生动物学家惊异地表示, 在其东南部一个被海啸袭击的野生动物园区, 他们居然未发现一具动物的尸体, 没有一头大象死亡, 甚至找不到一只野兔的尸体。
古今中外, 动物预知并逃避灾难的事件屡屡发生, 早已不是什么新鲜事。科学家常用“第六感觉”来形容动物的这种特殊技能。事实上, 所谓的“第六感觉”, 其实是一种感受光谱、波谱和频谱变化的能力, 而非指某种特殊的感觉。有时, 我们还会用“本能”、“直觉”等并不确切的词来形容它。这种能力我们人类同样具备, 只不过由于科技的进步和人类的“进化”, 我们的“第六感觉”逐渐退化了。同样生活在海啸灾区, 当地土著Jarawa人和Onge人, 由于像野生动物一样预先感觉到了危险, 因而几乎没有人员伤亡。他们是否因为处于较原始的生活状态而比生活在现代文明里的人们感觉更灵敏呢?我们不得而知。但让我们深感忧虑的是, 人类正处于这样一个尴尬的境地:我们所倚重的现代科技尚无法预测灾难的发生, 而我们却已经丧失了预知和躲避灾难的“本能”和“直觉”。
而今, 企业的管理者们在管理中正被同样的问题困扰着。自英国工业革命到20世纪初, 大多数企业主靠经验管理企业, 也就是靠自己的感性和直觉。泰勒的科学管理理论的产生使企业认识到了管理现代企业需要科学的思想、制度和技术, 需要用理性思维解决企业面临的问题。从此以后众多的管理学家、企业家一直在追求着理性的光辉, 直到出现对管理科学和技术的顶礼膜拜, 一些推导严密的数学模型在各种预测和管理活动中广泛运用。正是我们对现代管理科学和管理技术的依赖, 使企业自身的感觉日益迟钝, 使管理者的直觉遭到破坏。问题在于, 我们所倚重的这些管理体系和管理技术本身就有着明显的缺陷, 各种预测技术和管理模型大多是建立在诸多 (有些甚至是苛刻的) 假设条件下的, 这些机械的预测技术和管理模型显然还无法适应充满不确定性和复杂性的经济全球化时代的挑战。正如现代科技没能预测出印度洋海啸一样, 理性的经济学家们也没能预知这次发端于美国继而席卷全球的金融海啸。因此, 在这样一个诸多因素交相制约、变幻莫测的大环境中, 企业管理者需要重新找回能应对复杂环境挑战的感知、先觉, 找回过去我们赖以生存的经验管理的直觉。
经验管理, 是人们基于经验和常识的管理。在系统的科学管理理论诞生之前, 依靠经验和直觉来管理企业在当时是实用而且有效的。如今, 当现代管理科学和技术无法应对巨变的环境时, 经验和直觉在企业的经营管理中仍然有着现实的意义, 经验管理将彰显出巨大的生命力。
回归经验管理并非否定科学管理。事实上, 经验管理与科学管理并不矛盾, 它们从一开始就是相互依存的。科学管理并不拒绝经验, 尤其是那些源于伟大改革实践的经验, 其本身就属于科学管理的范畴;而经验只有在科学管理理论的“点化”下才有了理性的光芒, 是科学管理理论提升了经验管理的层次。回归经验管理是一种思想、一种理念, 它并非让我们回到管理的原始状态, 而是让我们减少对现代管理科学和技术的迷恋和过度依赖, 重拾经验管理的直觉和本能。只有这样, 企业才能更好地应对市场环境的风云变幻, 在竞争中战胜对手。
回归经验的早期阅读教学 篇2
1997年至2000年间, 来自美国国家研究院的一个研究报告引发了一场国际间的早期阅读革命。进入21世纪以来我国幼教界开始逐步推广和发展早期阅读的教育理念。早期阅读作为一种新型的教学模式却因教师等对其理解和领会不充分而落入传统教学方式的俗套。以传统的教学方式施行的早期阅读随处可见。
(1) 在以绘本为主题的早期阅读中, 教师作为阅读的引导者, 把早期阅读局限在早期识字的范围内。绘本本身丧失了生命力和光彩, 仅被当做一种工具和教材。
(2) 在阅读过程中, 教师忽略了幼儿已有的经验, 生硬地将绘本中的知识经验和生活经验灌输给幼儿。此时的幼儿不能自主地将已有经验和绘本经验连接, 割裂了经验的连续性, 也不能很好地理解绘本想说的“话”。
(3) 在早期阅读的过程中互动形式单一匮乏, 经验不能有效地融入幼儿生活本身, 阻碍了经验的生长和发展。
传统的早期阅读教学往往围绕绘本, 教师讲, 幼儿听, 出发点是绘本, 归宿依然是绘本, 绘本像是一个无声的操纵者和指挥者, 教师是它的语言表达机器, 幼儿没有说话只限于“倾听”。绘本传达的经验信息是零碎的没有生命力的, 教师如何引导幼儿在早期阅读的过程中不断获得经验成长的能力?我认为从经验出发, 以幼儿为中心, 依循经验成长的轨迹是有效早期阅读的一条可循之道。
2. 有效早期阅读如何进行
(1) 从经验出发, 激发幼儿已有的经验。美国著名教育家约翰·杜威批判传统教育传授过时的死知识, 以固定的教材形式提供给学生。教师照本宣科, 学生死记硬背, 仅仅是传授知识和技能, 以及实施行为准则的代理人。他主张进步积极的教育应该培养学生的个性, 强调从经验中学习。反对向固定不变的教科书和教师学习。学生应该不断熟悉和适应变动中的世界, 反对固定不变的目标和标准。“经验”二字是杜威经验自然主义理论的关键和中心。杜威关于经验的阐释赋予经验生命力, 经验不仅代表着经历的事物, 更代表着一种过程, 是有机体与环境, 人与环境之间的交互作用。因此被赋予生命力的经验更标示着人的成长性, “每种经验完全不受愿望或意图的影响, 每种经验都在未来的经验中获取生命力”。[1]杜威阐释的经验像是一个生命的链接, 因为有了前一个经验的维系才有了下一个经验的成长, 而这些经验不是独立成体的, 而是互相制约和交互作用的, 经验像不断抽出枝节的笋, 前一个经验给下一个经验成长的动力, 而下一个经验是前一个经验不断成长的新态势。在经验之内是一种交互作用, 在经验之外, 经验的对象和经验的活动与状态也交互作用着。
在杜威看来, 一种经验的激发和成长需要前一个经验的铺垫和维系, 在早期阅读中, 幼儿自身不完全具备从大脑中调出适合经验的能力, 因此阅读前的经验把握显得尤为重要, 这是一个连接的过程, 从幼儿已有的经验出发或许不是最捷径的一条路, 但是足够有效。
(2) 经验铺垫。并不是所有的幼儿在进行早期阅读之前都具备所需的经验, 教师在了解幼儿的经验的同时, 要提供能够帮助幼儿顺利阅读的经验。知识经验和生活经验是幼儿早期阅读的主要经验, 知识经验主要是关于阅读的基本知识, 生活经验是关于阅读主题内容的经验。与生活经验有关的经验主要包括关于人、动植物、场所、器具、活动及其关系的知识, 运用认知能力解决生活问题的经历, 与各种经历有关的情感体验, 等等。与阅读有关的经验主要包括对图书和阅读活动的意义、作用的认识, 对图示要素、结构的认识, 对图画、文字表意功能及其关系的认识, 对生活经验及图书内容关系的认识, 对图画表意符号的认识, 对常用字词的识别、理解和运用, 对汉语字词结构和语法规律的认识, 对标点符号的认识, 对叙事、说明等不同题材的认识, [2]等等。
在《我砍倒了一棵山樱花》的阅读中, 绘本以20世纪70年代儿童玩的游戏贯穿始终, 幼儿不具备这个生活经验, 此时, 教师需要给幼儿提前做经验铺垫, 教师可以让幼儿回家问问爸爸妈妈小时候都玩哪些游戏, 在阅读中可以和幼儿分享自己儿时的游戏经历。
需要注意的是, 一个读本涉及的知识经验和生活经验很多, 可能会有多个经验点是幼儿不具备的, 教师要选择那些对于阅读和理解绘本最为关键的经验。
(3) 经验互动。杜威提出的经验交互性原则具有指导意义, “这个原则赋予经验的客观条件和内部条件这两种因素以同样的权利。任何正常的经验都是这两种条件的相互作用”。[3]在杜威看来传统教育违反了交互性作用的原则, 仅仅关注经验的客观条件而忽视了经验的内在因素。分裂这两种因素就如同将经验本身从整个生长体系中剥离。客观条件与内部条件的交互作用, 构成经验产生的情境。在早期阅读中, 经验的互动可以在阅读前、阅读中、阅读后, 例如, 在《是谁留下的痕迹》的阅读中, 幼儿经验与绘本的互动可以放在阅读中, 教师可以在幼儿了解了绘本之后, 以游戏的形式激发互动。“我来做侦探”的游戏让儿童沿着图画中的“脚印”寻找脚印的主人, 这是理解的过程, 也是经验生长的一个过程, 教师也可以组织幼儿在生活中寻找那些留下的“痕迹”, 亲身触摸和体验那些“痕迹”。
3. 以儿童为中心, 与幼儿“内在经验”对话
杜威说:“连续性和交互作用彼此积极生动的结合是衡量经验的教育意义和教育价值的标准, 因而对一个教育者来说, 产生交互作用的各种情景是他们随时密切关心的事。处在特定时间状态的人是参与交互作用的其中一个因素, 另一个因素是在某些可能的限度内可由教育者加以调整的客观条件。”[4]在杜威看来, 传统教育的弊病在于没有顾及创造经验的另一个因素, 即受教育者的能力和目的。选择客观条件的责任, 是同了解一定时间内从事学习个人需要和能力的责任联系在一起的。教师的一个职责在于了解每一位儿童在早期阅读中的能力所在, 很可能有些幼儿因为生活范围和层次的不同造成他们对同一个问题的理解处在不同的水平。教师有必要在早期阅读中将绘本的内容分层次地与儿童沟通。在《是谁留下的痕迹》中, 有些幼儿只能理解有形的“痕迹”, 但年龄稍微大一些的儿童就能理解无形的“痕迹”, 甚至一部分幼儿在家庭生活中已经理解了无形的“痕迹”和“谁”之间的关系, 这就需要教师将绘本分出层次, 第一层次是有形的“痕迹”, 第二个层次是无形的“痕迹”, 在关注每一个幼儿已有的内在经验的同时, 能增加一部分幼儿的经验。正如杜威所说:“客观条件这个词涉及的范围很广泛, 它包括教育者所做的事和做事的方法。”传统模式下早期阅读的弊端在于没有关注每位幼儿的“内在经验”, 将绘本现有的经验无论深浅, 都一股脑地灌输给儿童, 拉大班内儿童的差距, 阻碍经验的增加。
儿童的经验如同依附支撑物不断成长的藤蔓, 教师是提供支撑的那股力量, 了解儿童的内在经验, 遵循孩子成长留下的痕迹促进他们发展。儿童留下的“痕迹”正是经验所在, 这股力量不是“拉扯”儿童经验快速成长, 而是给儿童的经验提供最适合的生长点和落脚点。
参考文献
[1][3][4]杜威.经验与教育[M].台湾:五南图书出版公司, 1989.
回归经验管理 篇3
关键词：线性规划,支持向量回归,经验风险,结构风险,置信风险
0 引言
支持向量机算法是根据统计学习理论[1,2,3,4]SLT(Statistical Learning Theory)给出的,该算法既可以处理分类问题,也可以处理回归问题。支持向量机在优化过程中改变了传统的经验风险最小化原则,而是根据结构风险最小化原则进行优化,因此具有更好的泛化能力。另外,支持向量机还通过引入一个核函数来解决非线性问题,该算法能有效克服局部极小问题。在传统的支持向量机算法中,经验风险和置信风险需要一个折中参数C来控制,当参数C的取值大时,这时经验风险起主要作用,反之,当参数C取值小时,对经验风险的要求就不高。实际中,参数C的取值一般根据经验选取,但最优的参数C往往并不容易确定。关于参数C的选择方法已经有了一些研究成果[5,6]。文献[7,8]在二次规划情况下提出了给定风险水平的支持向量机分类和回归模型,达到了在给定经验风险水平下最小化结构风险的目的。本文将这一思想推广到线性规划支持向量回归模型中,给出确定风险水平的线性规划支持向量回归模型。本文最后以拟合一个回归函数为例给出仿真实验,同时在数据中加入一些噪声来验证算法的可行性和有效性。
1 传统的线性规划支持向量回归算法
基于线性规划的支持向量回归模型,采用下面的风险函数:
其中,‖α‖1表示参数空间中的l1-范数()。
回归模型采用核函数展开:
其中,k(x,y)为核函数,本文取高斯核函数。
此时的结构风险函数为:
其中,Remp[f]表示经验风险,表示置信风险,参数λ控制二者之间的比例。
绝对值符号不易处理,采用两个参数αi和去掉绝对值符号,同时应用ε-不敏感损失函数,回归问题归结为如下优化问题:
约束为:
这就是线性规划下的支持向量回归算法,不但有良好的学习性能,而且运算速度明显快于二次规划下的支持向量回归算法。
2 给定经验风险水平的线性规划支持向量回归模型
在模型式(4)中,参数C的作用是分配经验风险和置信风险之间的比例,参数C越大,就要求经验风险越小,但具体多大的参数C能保证多大的经验风险却无法知道。为了在模型中体现出经验风险水平的大小,这里把经验风险从目标函数中移出,在约束条件中加入一个体现风险水平的限制。回归问题的优化变成如下的形式:
该模型可以清楚地控制误差的大小,并且可以事先根据精度要求给出误差的限制,当然误差限制过小同样可以产生过拟合现象。实际应用中可以根据具体问题设置误差限制参数。
另外,模型式(8)中将总体风险用一个参数进行控制,这在数据中不存在异方差的情况下是可行的。然而,在建立实际问题的回归模型时,经常会出现某些因素随着观测值的变化而对被解释变量产生不同的影响,导致随机误差产生不同的方差,即异方差。这时,如果仍然采用一个参数来控制误差就显得不合理了。在这种情况下,可以根据不同的样本中含有的噪声不同而采用不同的参数进行误差控制。将约束条件式(11)改为:
就可以对不同的样本进行不同的误差控制,从而可以实现对含有不同噪声的样本给出不同的惩罚,这样使得该算法不容易被异常值所影响,具有更好的鲁棒性。
当样本点含有的噪声方差大时,参数ρ取大一点的值,反之取较小的值,比如取,其中是第i个观测值误差项的方差。在实际应用中,误差项的方差一般是未知的,但是当误差项方差随自变量水平以系统的形式变化时,可以利用这种关系确定误差项方差。比如,知道与成比例,那么,其中k是比例系数。参数,也可以去掉比例系数k。另外,在社会、经济研究中,经常会遇到误差项的方差与x的幂函数xm成比例,此时参数ρi可以取为。异方差大小的确定并没有一个统一的方法,不同的实际问题其确定方法也不一样。
为了说明方便,我们将修改约束条件后的模型称为模型式(13),目标函数及其它的约束条件不变。
3 实验分析
下面举例说明所给算法的有效性,并采用两种实验方式进行比较说明。
3.1 实验1
首先采用模型式(8)进行实验,所用数据由Matlab中的sinc函数产生。自变量∈[0,3π],间隔为0.1,因变量y=sinc(x)。核函数采用高斯函数:
这里取σ2=0.03,ε=0.001。用Matlab 6.1编程实现,在区间[0.1,3π]中间隔为0.37取不同于训练样本的测试样本。“-”表示的是实际值,“*”表示的预测值,图1显示的是参数ρ=0.1时的预测结果,图2显示的是参数ρ=5时的预测结果。实验结果表明,当误差控制参数ρ=0.1 (较小)时,预测精度很高,而当误差控制参数ρ=5 (比较大)时,预测精度明显降低,表明了控制参数ρ起到了控制误差的效果。
3.2 实验2
我们对含有噪声的数据采用模型式(13)进行实验,在前面的数据中加入适当的噪声,其中前10个样本中加入均值为0,方差为0.8的服从正态分布的随机噪声,其余样本加入均值为0,方差为0.1的服从正态分布的随机噪声。对加入噪声后的样本分别采用模型式(8)和模型式(13)进行拟合,图3显示的是模型式(8)的模拟结果,图4显示的模型式(13)的模拟结果,其中模型式(8)中的参数ρ=0.1,模型式(13)中的参数为:ρi=0.8,i=1,2,…,10;ρi=0.1,i=11,12,…,n;n为训练样本的个数。
测试指标采用均方误差:
式中,yi为实际值,yi为预测值,k为测试样本的数量。这里yi取未加入噪声的真实数据,以便为了比较模型对真实数据的拟合精度。其中,模型式(8)的预测结果为MSE=0.2255,模型式(13)的预测结果为MSE=0.0639。均方误差结果都表明,模型式(13)由于加入了不同的控制参数,起到了对不同噪声采用不同的惩罚,从而能更好地预测真实数据。
4 结语
本文将线性规划支持向量回归模型的目标函数中的经验风险加入到约束条件中,从而能够清楚地给定经验风险的控制范围,并且能有效避免传统支持向量回归模型中参数C的选择问题。由于算法中采用的是线性规划,因此运算速度要远远快于二次规划下的回归算法。另外,由于算法中还可以针对不同样本加入不同的误差控制参数,从而达到加权支持向量回归算法的效果。文中的仿真实例说明了所给算法的有效性。
参考文献
[1]Vapnik V N.The Nature of Statistical Learning Theory[M].Berlin: Springer-Verlag,1995:198-210.
[2]邓乃杨,田英杰.数据挖掘中的新方法-支持向量机[M].北京:科学出版社,2004:259-262.
[3]Burges C J C.A tutorial on support vector machines for pattern recognition [J].Knowledge Discovery and Data Mining,1998,2(2):34 -38.
[4]Smola A J,Scholkopf B.A tutorial on support vector regression[R]. NeuroCOLT TR NC-TR 98-030,Royal Holloway College University of London,UK,1998.
[5]刘靖旭,蔡怀平,谭跃进.支持向量回归参数调整的一种启发式算法[J].系统仿真学报,2007,19(7):1540-1543.
[6]闫国华,朱永生.支持向量机回归的参数选择方法[J].计算机工程,2009,35(13):218-220.
[7]Luo L K,Lin C D,Peng H,et al.Some new support vector machine models under given empirical risk[C]//Proceeding of the 4ht IEEE Conference on Industrial Informatics.Piscataway:IEEE Press,2006: 1207-1210.
回归经验管理 篇4
信用风险又称为违约风险, 是商业银行面临的最主要风险.要想避免其发生, 首先需要解决的就是如何度量及预测风险.由于Logistic模型在数据采集、变量选择和模型构建方面比较符合我国的实际情况, 且具有可靠的识别和预测能力。故采用该模型来构建针对我国上市公司的信用风险预警模型.在对Logistic模型的参数进行估计时, 采用经验似然估计法。
基于经验似然的参数估计
经验似然的估计方法
经验似然方法最早由Owen提出, 其本质是在约束条件下, 求非参数似然比的极大值, 而总体参数由约束条件带入极大似然比中.假设Xi (i=1, 2 (43) n) 是独立同分布的样本, F为分布函数, θ为p维待估参数向量.由于F分布未知, 用非参数似然来对θ进行讨论, 定义如下非参数似然函数:
把E (g (x, θ) ) =0作为约束条件, 从而定义了似然函数:
即是Qin&Lawless于1994定义的半参数模型中, 参数θ的经验似然函数。由拉格朗日乘子法, 可以将问题转化为最大化, 其约束条件为:
则拉格朗日函数可表示为:
则θ的对数经验似然函数可表示为:
Logistic模型的经验似然估计
对于Logistic模型,
参数β的对数似然函为:
关于参数β求导, 化简可得到估计方程为:
则参数β的对数经验似然函数为:
把γ, β看成两个独立变量, 定义
则参数β的极大经验似然估计值ˆβ为下列方程组的解
实证分析
数据与指标选取
本文以沪深A股2015年18家ST公司作为风险样本, 遵循相应原则选择不存在风险的54家非ST公司为配对样本.Y表示t年的状态, X表示财务指标比率, 使用样本t-2年的财务数据构建信用风险预警模型.在前人基础上选择了常用的18个指标:净资产收益率、总资产收益率、主营业务利润率、每股净资产、每股收益、固定资产与股东权益比率、应收账款周转率、固定资产周转率、总资产周转率、净资产周转率、资产负债率、流动比率、速度比率、产权比率、主营业务增长率、固定资产投资扩张率、总资产扩张率、净资产增长率。
因子分析
选取的财务指标间具有很高的相关性, 为了克服变量间的多重共线性, 采用因子分析法对指标进行简化.运用SPSS对数据进行标准化处理, 再对变量进行KMO和Bartlett球形检验, 其KMO值为0.696, Bartlett检验对应的显著性概率为0.000, 说明原变量适合做因子分析.由因子分析的总方差解释表可知, 变量相关矩阵的前5个因子的特征值大于1, 它们解释了总方差的86.11﹪。最终选出5个因子。通过因子旋转方法得到成分得分系数矩阵, 如下表所示。
从旋转成分矩阵中可看到, 主营增长率、固定扩张增长率在第一个因子的载荷较高, 反应了企业的成长能力;固定资产与股东权益比率和每股资产收益在第二个因子上载荷较大, 反应了股东获利能力;流动比率和速度比率在第三个因子上载荷较高, 反应了偿债能力;总资产收益率和主营业务利润率在第四个因子上载荷较高, 反应了盈利能力;固定资产周转率在第五个因子上载荷较高, 反应了运营能力。因此, 由上表可得到各主成分因子的表达式1f、f2、f3、f4、f5。
Logistic模型参数估计及有效性验证
利用R语言求出logistic模型的极大经验参数估计值为β0=-0.38, 1β=0.78, β2=0.69, β3=-0.64, β4=-2.45, β5=0.2, 则logistic模型可表示为
对模型进行验证, 把24家测试样本t-2年的数据带入到模型中, 并以0.5为最佳判别点, 得到判定结果如下:
由表可以看出, 在检验样本中有3家公司被误判, 其正确率为86%.所以文中所构建的logistic回归模型的效果还是比较理想的。
结语